摘要：
>> [x,y]=meshgrid(-1:0.1:2,-1:0.1:2);>> z = -x-1.5*y+2;>> surf(x,y,z) 现在有：x=0.7；y=0.9 求出：z=-0.05 在书中，如果Z<=0，则结果预测为 成年猫。因此决策平面应该整体向上移动0.05，所有在决策平面及决策平面 阅读全文
摘要：
如果想判断一个点（x，y）对应的ZV值是否在平面上方、平面上、平面下方，只要将（x，y）带入方程，得到z。 如果ZV大于>Z，则在平面上方；如果ZV<Z，则在方面下方；若ZV=Z，则在平面上。 clear all[x,y]=meshgrid(linspace(-15,15));%设定xy范围z=si 阅读全文
摘要：
公式为：(X-mean)/std 计算时对每个属性/每列分别进行。 将数据按期属性（按列进行）减去其均值，并处以其方差。得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，方差为1。 实现时，有两种不同的方式： 使用sklearn.preprocessing.scale()函数，可以直接将给 阅读全文
摘要：
注意1：书上说consin PCA 比缺省的linear PCA要好，是不是consin PCA更紧致，数据不发散. 始终搞不懂什么时候用，什么时候不用 fit(X, y=None)Fit the model from data in X.ParametersX: array-like, shape 阅读全文
摘要：
>> import numpy as np >>> A1_mean = [1, 1] >>> A1_cov = [[2, .99], [1, 1]]>>> A1 = np.random.multivariate_normal(A1_mean, A1_cov, 10) #依据指定的均值和协方差生成数据 阅读全文
摘要：
2）奇异值： 下面谈谈奇异值分解。特征值分解是一个提取矩阵特征很不错的方法，但是它只是对方阵而言的，在现实的世界中，我们看到的大部分矩阵都不是方阵，比如说有N个学生，每个学生有M科成绩，这样形成的一个N * M的矩阵就不可能是方阵，我们怎样才能描述这样普通的矩阵呢的重要特征呢？奇异值分解可以用来干这 阅读全文
摘要：
>> X = rand(5,7) X = 0.9797 0.1365 0.6614 0.5828 0.2259 0.2091 0.5678 0.2714 0.0118 0.2844 0.4235 0.5798 0.3798 0.7942 0.2523 0.8939 0.4692 0.5155 0.7 阅读全文
摘要：
>> s = rand(5,7) s = 0.4186 0.8381 0.5028 0.1934 0.6979 0.4966 0.6602 0.8462 0.0196 0.7095 0.6822 0.3784 0.8998 0.3420 0.5252 0.6813 0.4289 0.3028 0.8 阅读全文
摘要：
版权声明：本文为博主原创文章，未经博主允许不得转载。 SVD分解 SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是因为SVD可以说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。本节讨论SVD分解相关数学问题，一个分为3个 阅读全文